機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。

深度學習本來並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網路。但由於近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網路），因此越來越多的人將其單獨看作一種學習的方法。

機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程式不同，機器學習是用大量的資料來“訓練”，透過各種演算法從資料中學習如何完成任務。

拓展資料：

機器學習直接來源於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。從學習方法上來分，機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、整合學習、深度學習和強化學習。傳統的機器學習演算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習演算法的出現。

最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念，可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果，人們對神經元的連線方法和啟用函式等方面做出相應的調整。其實有不少想法早年間也曾有過，但由於當時訓練資料量不足、計算能力落後，因此最終的效果不盡如人意。深度學習摧枯拉朽般地實現了各種任務，使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。

看了一圈，大家都是從自我控制層面去講，那我就來講講具體的學習方法好了。

看上面的圖片文字，本回答提到的資料學習包都在那個號可以領↑

深度學習是近幾年比較熱門的科目，如果學好了對自己是大有裨益的。作為一個想初步入門深度學習的渣渣，我一開始是從這些方面去入手的：

一、收集整理身邊的人脈資源。

深度學習是一個比較複雜且系統的技術，在剛入門毫無基礎的情況下，其實詢問師兄師姐或者自己的導師是一個最簡單省時的方法，透過詢問，建立起自己對深度學習的一個初步認識，以打好基礎。近在身邊的資源，放著不問就真的很浪費啦~

二、網上資源—資料包學習

現在是網際網路時代，只需要敲擊鍵盤就可直接獲取到自己想要的東西。網上的很多號，都在無償分享一些資料包，這些資料包可能不是特別牛，但對於一個初次接觸深度學習的研究生來講，真的足夠了。

比如：

谷歌機器學習速成課影片全集，這是谷歌官方為自己內部員工能更好了解AI和機器學習基礎知識專門出的一個學習影片，裡面不僅包含了課程精華內容，還有便於學習與實踐的練習題，重點是，人家還專門出了中文版！你就說貼不貼心！剛入門的話非常推薦看著系列影片去學習！

復旦大學邱錫鵬教授釋出教科書《神經網路與深度學習》，全書共446頁，從基礎到研究前沿介紹了深度學習的核心概念與理論，足夠我們瞭解 DL 的前前後後。

當然了，論文也是必須看的，但是論文那麼多，看起來也很頭疼怎麼辦？深度學習 Top100：近 5 年被引用次數最高論文合集送給你，覆蓋了最佳化/訓練方法、無監督/生成模型、卷積網路模型和影象分割/目標檢測等十大子領域。重要的論文能夠超越其應用領域讓人獲益。

一直看覺得乾巴巴的文字閱讀我會覺得太枯燥，偶爾會上網選擇看影片，YouTube上有一個兩分鐘讀論文的系列影片，我一般是透過這些途徑去快速瞭解全球深度學習的最熱門進展。